Algoritmo evolutivo

Los algoritmos evolutivos son métodos de optimización y búsqueda de soluciones basados en los postulados de la evolución biológica. En ellos se mantiene un conjunto de entidades que representan posibles soluciones, las cuales se mezclan, y compiten entre sí, de tal manera que las más aptas son capaces de prevalecer a lo largo del tiempo, evolucionando hacia mejores soluciones cada vez.

Los algoritmos evolutivos, y la computación evolutiva, son una rama de la inteligencia artificial. Son utilizados principalmente en problemas con espacios de búsqueda extensos y no lineales, en donde otros métodos no son capaces de encontrar soluciones en un tiempo razonable.

Siguiendo la terminología de la teoría de la evolución, las entidades que representan las soluciones al problema se denominan individuos o cromosomas, y el conjunto de estos, población. Los individuos son modificados por operadores genéticos, principalmente el cruce, que consiste en la información de dos o más individuos; la mutación, que es un cambio aleatorio en los individuos; y la selección, consistente en la elección de los individuos que sobrevivirán y conformarán la siguiente generación. Dado que los individuos que representan las soluciones más adecuadas al problema tienen más posibilidades de sobrevivir, la población va mejorando gradualmente.

Paradigmas

Suele hablarse de tres paradigmas principales de algoritmos evolutivos:

Cada uno de estos paradigmas se originó independientemente y con distintas motivaciones. Actualmente, los algoritmos tienden a combinar características de estos tres y a incluir mecanismos de otros campos de estudio, tales como el aprendizaje automático, otros algoritmos de búsqueda, o diferentes estructuras de datos. Algunas de las tendencias actuales son las siguientes:

Evolución diferencial
Modelos probabilísticos
Evolución simulada
Algoritmos culturales
Algoritmos meméticos
Programación genética

Comparación de algoritmos evolutivos

La tabla siguiente presenta algunas diferencias entre los distintos tipos de algoritmos evolutivos. Las características indicadas en esta tabla corresponden a las implementaciones originales. Actualmente las diferencias entre ellos tienden a borrarse a medida que se transfieren características de uno a otro, haciendo difícil la distinción.

Algoritmo	codificación	selección	operadores	reinserción	parametrización	aplicación original/principal	observaciones
Algoritmo genético	binaria	al azar, basado en función de desempeño (ruleta, torneo)	Aplicados según probabilidad: cruce (1 o 2 puntos, uniforme, etc.), mutación (negación de bit, al azar)	reemplazo de padres por hijos manteniendo al mejor individuo de la población anterior	fija	optimización discreta
Estrategia evolutiva	discreta o continua	aleatoria	diseñadas de acuerdo al problema a resolver: recombinación (optativa), mutación	elegida determinísticamente, mediante ranking de mejor descendencia ( $(\mu /\rho ,\lambda )-ES$ ) o padres y descendencia ( $(\mu /\rho +\lambda )-ES$ )	self-adaptive	optimización general	notación $\mu$ : número de padres, $\rho$ : número de individuos elegidos para evolucionar, $\lambda$ : descendencia
Programación evolutiva	?	?	diseñadas de acuerdo al problema a resolver: recombinación, mutación	?	?	?
Programación genética	árboles	?	cruce (intercambio de ramas), mutación (cambio en contenido de nodo o toda la rama)	?	?	evolución de programas (generalmente en lisp)
Algoritmo memético	cualquiera	?	distintos operadores de búsqueda local	?	?	También llamado algoritmo lamarckiano, búsqueda local genética, algoritmo evolutivo híbrido, o algoritmo evolutivo de Baldwin
Algoritmo cultural	cualquiera	?	cualquiera	?	?	optimización general, simulación social	cuenta además con un espacio de creencias, en donde se guarda experiencia adquirida durante la búsqueda
Evolución diferencial	continua	aleatoria	mutación y recombinación, el resultado del primero es operado con el segundo	comparando el resultado de los operadores y los individuos de la generación anterior	Fija, de dos parámetros que controlan la velocidad del cambio, F y GR	optimización continua	el operador de mutación, bastante singular, de hecho combina individuos elegidos aleatoriamente

Bibliografía

Carmona, Enrique J.; Fernández, Severino (2020). Fundamentos de la Computación Evolutiva. Marcombo. ISBN 978-8426727558.

Enlaces externos

Datos: Q14489129
Multimedia: Evolutionary algorithms / Q14489129